已验证90% 置信事实精确时间

PCA 降维通过对数据协方差矩阵做特征分解，找到数据方差最大的投影轴，从而在最大保留信息的前提下压缩维度

10

来源数

90%

置信度

长期有效

时效性

2026/7/13

首次发现

来源

机器学习数学基础学习路线：四大核心板块与资源推荐

相关事实

待验证特征分解与主成分分析（PCA）紧密相关，是降维的基础。78% 相似待验证PCA对同一提示词多次采样的隐藏激活做降维，第一主成分捕捉采样结果中差异最大的方向，对应模型变化最剧烈的风格维度77% 相似待验证谱聚类通过计算图的拉普拉斯矩阵的特征向量，将高维数据映射到低维谱空间，再用 k-means 完成聚类69% 相似待验证CNN通过卷积核在图像上滑动扫描抓取局部特征，再通过池化操作压缩保留最强特征63% 相似待验证PCA的主成分方向是在当前图像的token分布上单独拟合的，不同图像的主成分指向不同方向，因此颜色不携带跨图像的语义信息63% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/502906

API

curl https://kongchang.com/api/v1/knowledge/claims/502906

MCP

get_claim(id=502906)